Niniejsza praca przedstawia precyzyjne rolnictwo sterowane przez IoT (IoT-PA), które wykorzystuje sieci czujników, monitorowanie w czasie rzeczywistym oraz inteligentne nawadnianie w celu zwiększenia plonów i efektywności wykorzystania wody. Przedstawione rozwiązanie wspiera zrównoważone rolnictwo oraz Cele Zrównoważonego Rozwoju (SDG) 2 (Zero Głodu) i 12 (Odpowiedzialna Konsumpcja i Produkcja).
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
Wykorzystanie technologii cyfrowych w sektorze rolno-spożywczym: ramy rolnictwa precyzyjnego opartego na IoT w celu osiągnięcia Celów Zrównoważonego Rozwoju
W tym artykule
Podsumowanie
Streszczenie
Przemysł rolno-spożywczy szybko przechodzi proces cyfryzacji, aby rozwiązać problemy związane z ograniczeniami zasobów, nieprzewidywalnością klimatu oraz zrównoważoną produkcją żywności, wykorzystując Internet Rzeczy (IoT), sztuczną inteligencję (AI), obliczenia w chmurze oraz analitykę danych. Ze względu na sztywne harmonogramy nawadniania i ograniczony monitoring pól, tradycyjne rolnictwo marnuje wodę, obniża plony i szkodzi środowisku. Opisany w niniejszej pracy system Precyzyjnego Rolnictwa Opartego na IoT (IoT-PA) optymalizuje wykorzystanie zasobów rolniczych dzięki rozproszonym sieciom czujników, monitorowaniu wilgotności gleby i pogody w czasie rzeczywistym oraz inteligentnemu sterowaniu nawadnianiem. Zaproponowana platforma gromadzi dane środowiskowe, analizuje warunki na polu i automatycznie rekomenduje nawadnianie, aby zmaksymalizować wzrost upraw i uniknąć marnotrawstwa wody. Dzięki ciągłemu monitorowaniu i szybkim powiadomieniom z systemu, rolnicy mogą podejmować decyzje rolnicze w oparciu o dane. Architektura IoT-PA zwiększa wydajność nawadniania, plony rolnicze oraz zrównoważone zarządzanie zasobami w porównaniu z tradycyjnym rolnictwem. Wyższa produkcja rolnicza oraz efektywne wykorzystanie wody i zasobów wspierają Cel Zrównoważonego Rozwoju (SDG) 2 (Zero Głodu) oraz SDG 12 (Odpowiedzialna Konsumpcja i Produkcja) w ramach Celów Zrównoważonego Rozwoju Organizacji Narodów Zjednoczonych. Sugerowany inteligentny system rolniczy jest skalowalny i praktyczny, co sprzyja zrównoważonej produkcji żywności oraz ochronie środowiska.
Wprowadzenie
Bezpieczeństwo żywnościowe, zrównoważony rozwój środowiska i odporność gospodarcza zależą od przedsiębiorstw rolno-spożywczych1. Rolnictwo musi zaadaptować się do produkcji większej ilości żywności przy użyciu mniejszej ilości zasobów, minimalizując jednocześnie swój wpływ na środowisko, ponieważ przewiduje się, że globalna populacja osiągnie około 10,3 miliarda w połowie lat 80. XXI wieku, co znacznie zwiększy popyt na zrównoważoną produkcję żywności i efektywne zarządzanie zasobami2. Proste praktyki rolnicze mogą nie rozwiązać tych problemów3. Zmiany klimatu, degradacja gleby, niedobory wody i wahania rynkowe sprawiają, że jest to szczególnie widoczne4. Innowacyjne technologie cyfrowe mogą zaspokoić różne potrzeby i powiązać sukces rolniczy z Celami Zrównoważonego Rozwoju Organizacji Narodów Zjednoczonych (UN SDGs)5. Cyfrowe rolnictwo wykorzystuje sztuczną inteligencję (AI), Internet Rzeczy (IoT), teledetekcję i analitykę6. Pozwalają one na precyzyjne śledzenie wydajności rolniczej, nakładów zasobów oraz klimatu7. Ułatwiają one podejmowanie właściwych decyzji i usprawniają uprawy8. Obejmują one urządzenia oparte na IoT, które na bieżąco monitorują kluczowe parametry9, takie jak stan upraw, wilgotność gleby, temperatura i wilgotność powietrza10. Rolnictwo precyzyjne wykorzystuje wodę i składniki odżywcze tylko wtedy, gdy są one potrzebne, co redukuje odpady i zwiększa zrównoważony rozwój11. IoT może zwiększyć odporność i produktywność łańcucha wartości rolno-spożywczego12. Kontrolowane nawadnianie i monitoring oparty na czujnikach umożliwiają nawadnianie upraw na żądanie13. Rolnicy wykorzystują analizę danych AI do identyfikacji wzorców, poprawy jakości i ilości plonów oraz przewidywania gradacji szkodników14. Pozwala to oszczędzać wodę i wspomaga wzrost roślin15. Pomimo tych obiecujących postępów, cyfrowe technologie rolnicze są ograniczone, szczególnie w krajach słabo rozwiniętych16. Niska biegłość cyfrowa, ograniczenia infrastrukturalne, wysoka początkowa inwestycja oraz słabe ustawodawstwo utrudniają ich wdrażanie17. Ponadto osiągnięcie optymalnej efektywności zasobowej lub ochrony środowiska jest trudne, ponieważ obecne działania rolnicze opierają się głównie na nakładach ludzkich i stałych danych.
Niniejszy artykuł przedstawia zintegrowany model rolnictwa precyzyjnego sterowanego przez internet rzeczy (IoT-PA). Technologia ta łączy dane z czujników w czasie rzeczywistym z automatycznymi systemami nawadniania, aby wyeliminować nieefektywność w gospodarowaniu wodą i zarządzaniu uprawami. Stanowiąc odpowiednie wytyczne dla cyfrowej transformacji rolnictwa, model ten powinien być skalowalny, elastyczny i korzystny dla rolników. Oferuje on również możliwości cyfryzacji procesów. W oparciu o dane o glebie i klimacie gromadzone w czasie rzeczywistym, model rolnictwa precyzyjnego i internetu rzeczy dąży do optymalizacji harmonogramów nawadniania, co pozwala na oszczędność wody, poprawę stanu zdrowotności roślin i w konsekwencji zwiększenie plonów żywności.
Wyższa produkcja dzięki zwiększonej dostępności żywności przyczynia się do realizacji drugiego Celu Zrównoważonego Rozwoju (Zero Głodu) i jednocześnie promuje dwunasty Cel Zrównoważonego Rozwoju (Odpowiedzialna Konsumpcja i Produkcja) poprzez efektywne wykorzystanie zasobów. Innowacje cyfrowe mogą zwiększyć odporność i zrównoważenie systemów rolno-spożywczych dzięki walidacji empirycznej, prowadząc do bardziej zrównoważonej przyszłości.
Globalne rolnictwo musi ulec zmianie, aby zaspokoić potrzeby żywnościowe i zapewnić zrównoważony rozwój. Zmiany klimatyczne oraz ograniczone zasoby wymagają kreatywnych sposobów na zwiększenie wydajności i ograniczenie szkód środowiskowych. Technologie cyfrowe, w szczególności te oparte na IoT, mogą przekształcić rolnictwo. Niniejszy artykuł dotyczy wykorzystania takiej technologii w celu prowadzenia rentownego i zrównoważonego rolnictwa.
Tradycyjne rolnictwo marnotrawi zasoby, nie oferuje monitorowania w czasie rzeczywistym i ogranicza podejmowanie decyzji w oparciu o dane. Problemy te prowadzą do marnotrawstwa wody, szkodzą środowisku i obniżają plony rolnicze. Technologie cyfrowe w rolnictwie, a zwłaszcza precyzyjne nawadnianie, mają ograniczony zakres zastosowania. IoT wykorzystuje dane w czasie rzeczywistym i automatyzację do skalowania i integracji. System powinien maksymalizować produkcję przy jednoczesnej optymalizacji zużycia wody. Niedawne badania analizowały wykorzystanie IoT, AI i analityki danych w rolnictwie precyzyjnym, lecz większość z nich koncentruje się na pomiarach wilgotności gleby, automatycznym nawadnianiu, monitorowaniu upraw i prognozowaniu plonów. Rozwiązania te często działają w izolacji, co ogranicza ich zdolność do wspierania podejmowania decyzji w zakresie zrównoważonego zarządzania rolnictwem. W wielu systemach brakuje integracji heterogenicznych danych środowiskowych w czasie rzeczywistym, adaptacyjnego zarządzania nawadnianiem oraz zgodności ze zasadami zrównoważonego rozwoju. Niniejsze badanie przedstawia system IoT-PA, który rozwiązuje te ograniczenia dzięki zastosowaniu rozproszonych czujników IoT, monitorowania środowiska w czasie rzeczywistym, inteligentnego harmonogramowania nawadniania i ciągłego wsparcia decyzji. W przeciwieństwie do istniejących technik, opracowane ramy optymalizują zużycie wody, produkcję rolniczą, marnotrawstwo zasobów oraz cele zrównoważonego rozwoju SDG 2 (Zero głodu) i 12 (Odpowiedzialna konsumpcja i produkcja). Przełomowe w IoT-PA skalowalne wykrywanie, komunikacja, analityka oraz zorientowane na zrównoważony rozwój zarządzanie zasobami umożliwiają podejmowanie decyzji rolniczych w oparciu o dane, wydajnych operacyjnie i ekologicznie zrównoważonych. Celem projektu jest stworzenie i ocena ram IoT-PA, które wspierają rolnictwo precyzyjne poprzez monitorowanie środowiska w czasie rzeczywistym, przechowywanie danych w chmurze i automatyczne harmonogramowanie nawadniania. Proponowane ramy wykorzystują czujniki z obsługą IoT do ciągłego monitorowania wilgotności gleby, temperatury powietrza, wilgotności względnej, opadów i natężenia światła w celu optymalizacji decyzji dotyczących nawadniania w czasie rzeczywistym. Badanie dąży ponadto do oceny wydajności proponowanych ram przy użyciu wskaźników ilościowych, w tym efektywności wykorzystania wody, poprawy plonów, czasu odpowiedzi systemu nawadniania, wydajności systemu, niezawodności komunikacji i zużycia energii, w porównaniu z konwencjonalnymi praktykami nawadniania. Ponadto badanie ma na celu wykazanie, w jaki sposób integracja technologii IoT może poprawić wykorzystanie zasobów, zmniejszyć niepotrzebne zużycie wody i zwiększyć produktywność rolniczą, przyczyniając się jednocześnie do realizacji Celu Zrównoważonego Rozwoju (SDG) 2 (Zero głodu) i SDG 12 (Odpowiedzialna konsumpcja i produkcja) poprzez zrównoważone zarządzanie zasobami rolniczymi.
Zintegrowane ramy cyfrowego rolnictwa i systemów żywnościowych (IDAFS)
Niniejsza praca bada, w jaki sposób technologie cyfrowe zwiększają odporność rolnictwa w obliczu pandemii, nierówności, zmian klimatu oraz skumulowanych globalnych niedoborów żywności18. Kładąc nacisk na sztuczną inteligencję, duże zbiory danych (big data) oraz rolnictwo precyzyjne jako sposoby na zwiększenie wydajności, zmniejszenie ilości odpadów o 5% i redukcję wydatków o 23%, artykuł analizuje również te zagadnienia. Praca promuje transformację cyfrową w celu realizacji Celów Zrównoważonego Rozwoju (SDGs) na rok 2030 i wyróżnia nadchodzące trendy, takie jak blockchain oraz spersonalizowane żywienie, w celu stworzenia zrównoważonych i efektywnych systemów żywnościowych.
Model analizy wpływu cyfrowych Celów Zrównoważonego Rozwoju (DSIAM)
Niniejsza praca bada, z wykorzystaniem transformacji cyfrowej, realizację Celów Zrównoważonego Rozwoju (SDGs) związanych z bezpieczeństwem żywnościowym, wykorzystując dane z Wskaźnika Gospodarki Cyfrowej i Społeczeństwa (DESI). Analizując, w jaki sposób łączność cyfrowa, umiejętności i usługi publiczne wpływają na SDG1, SDG2, SDG3 oraz SDG1019, zastosowano modelowanie równań strukturalnych oraz analizę skupień na podstawie danych z UE (2017–2022). Wyniki wskazują, jak kluczowa jest cyfryzacja w redukowaniu ubóstwa, promowaniu równości oraz poprawie stanu zdrowia.
Ramy integracji i rewitalizacji cyfrowej wioski (DVIRF)
Dane panelowe z trzydziestu prowincji Chin (2013–2023) pozwalają w niniejszej pracy na eksperymentalne zbadanie, w jaki sposób cyfryzacja obszarów wiejskich wspiera zintegrowany rozwój przemysłu wiejskiego20. Wykorzystując dwustopniową technikę uczenia maszynowego, odkryto zarówno bezpośrednie (usługi cyfrowe, infrastruktura), jak i pośrednie (realokacja czynników, zmiana strukturalna) ścieżki transformacji cyfrowej. Szczególnie istotny wpływ odnotowano w regionach wschodnich oraz obszarach produkcji zbóż. Zaproponowano rozwiązania legislacyjne mające na celu promowanie społeczności cyfrowych i maksymalizację funduszy na rewitalizację obszarów wiejskich.
Model transformacji cyklicznego systemu rolno-spożywczego (CAFSTM)
Transformacja cyfrowa zmienia sektor rolno-spożywczy poprzez świadomość ekologiczną, interoperacyjność i projektowanie zorientowane na użytkownika21, zwiększając efektywność i usprawniając modele biznesowe. Personalizowana żywność i cyrkularne systemy rolno-spożywcze ograniczają ilość odpadów dzięki zastosowaniu pętli sprzężenia zwrotnego. Raport omawia kwestie prywatności danych oraz interoperacyjności, proponując technologiczne, zarządcze i ekologiczne podejście do zrównoważonych cyfrowych systemów gospodarstw rolnych.
Ramy innowacji dla zrównoważonych systemów żywnościowych (SFSIF)
Zrównoważone rolnictwo czerpie korzyści z AI, IoT, robotyki i edycji genów. Działania polityczne, postawowe, finansowe oraz budowanie zaufania sprzyjają innowacjom22. Technologia cyfrowa i pomoc rządowa mogą zwiększyć zrównoważenie, odporność oraz bezpieczeństwo żywieniowe systemów rolno-spożywczych, w zależności od gospodarki odpadami, przetwarzania żywności i użytkowania gruntów.
Model usprawniania łańcucha wartości w przetwórstwie rolnym (APVCEM)
W niniejszym artykule postawiono tezę, że łańcuchy wartości i przetwórstwo rolno-spożywcze czynią rolnictwo globalnym i konkurencyjnym. Chwalone są wspólnotowe formy gospodarowania oraz łańcuchy dostaw23. Silne łańcuchy wartości w Indiach zwiększają podaż żywności i rozwój przedsiębiorczości. Globalna gospodarka oraz społeczności wiejskie czerpią korzyści z tych sieci.
Ramowy Model Wpływu Zrównoważonego Rozwoju Cyfrowego (DSIF)
Poprzez produkcję rolną, zanieczyszczenia, odpady komunalne i cel zrównoważonego rozwoju SDG 12, technologie cyfrowe wpływają na trwałość systemów żywnościowych. Zgodnie z modelowaniem równań strukturalnych24, technologia cyfrowa może ograniczyć ilość odpadów komunalnych, emisje gazów cieplarnianych oraz negatywne zachowania konsumentów. Digitalizacja poprawia zrównoważony charakter łańcucha dostaw, jednak badania wykazują, że utrudnia ona odpowiedzialną konsumpcję; niezbędne jest zatem zrównoważone wdrażanie tych rozwiązań.
Ramy przejścia na Rolnictwo 4.0 (Agriculture 4.0 transition framework, A4TF)
Rolnictwo 4.0 odnosi się do integracji Internetu Rzeczy (IoT), sztucznej inteligencji (AI), obliczeń w chmurze, robotyki, analityki dużych zbiorów danych (big data) oraz automatyzacji w celu umożliwienia inteligentnych, opartych na danych i precyzyjnych praktyk rolniczych. W niniejszym artykule opisano cyfrową transformację rolnictwa z wykorzystaniem Rolnictwa 4.0. Omawiamy kwestie IoT, AI, dronów, blockchaina oraz energii odnawialnej25. Badamy agrowoltaikę, inteligentne nawadnianie oraz monitorowanie zwierząt w czasie rzeczywistym. Zgodnie z przeprowadzonymi badaniami, transformacja cyfrowa w procesie rozwiązywania problemów klimatycznych, wodnych i żywnościowych poprawia zrównoważoną produkcję żywności, efektywność zasobów oraz ochronę środowiska.
Istniejące badania wykazały potencjał IoT, sztucznej inteligencji, przetwarzania w chmurze oraz technologii cyfrowych w zakresie zwiększania produktywności i zrównoważonego rozwoju rolnictwa18,19,20. Większość badań koncentruje się na koncepcyjnych ocenach cyfrowego rolnictwa18, transformacji cyfrowej zorientowanej na politykę i ekonomię19 lub cyfrowym rozwoju obszarów wiejskich bez zastosowania precyzyjnych technologii rolniczych na poziomie pola20. W związku z tym niewielką uwagę poświęcono połączeniu pomiarów w czasie rzeczywistym, analityki w chmurze, zautomatyzowanego nawadniania i wsparcia decyzji. Wiele technik nie posiada powtarzalnych metod implementacji oraz dokładnych mechanizmów optymalizacji zasobów. Zaproponowany model precyzyjnego rolnictwa sterowanego przez IoT (IoT-PA) integruje sensorykę IoT, przetwarzanie w chmurze, monitorowanie środowiska w czasie rzeczywistym i inteligentne zarządzanie nawadnianiem w ramach jednej architektury, aby poprawić wykorzystanie wody, produktywność plonów oraz zrównoważone zarządzanie zasobami rolniczymi, wspierając jednocześnie cele SDG 2 i SDG 12.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
Sektor rolno-spożywczy staje się zrównoważonym ekosystemem opartym na danych dzięki technologiom cyfrowym. IoT, AI oraz blockchain poprawiają przejrzystość łańcucha dostaw, bezpieczeństwo żywności i wydajność. Rolnictwo precyzyjne, inteligentne rolnictwo (Smart Farming) oraz odporność w okresie popandemicznym wspierają Cele Zrównoważonego Rozwoju, w szczególności Zero Głodu, Działania w Obronie Klimatu oraz Odpowiedzialną Konsumpcję i Produkcję.
Struktura precyzyjnego rolnictwa opartego na IoT (IoT-PA) obejmowała mikrokontroler ESP32, czujniki wilgotności gleby, temperatury powietrza, wilgotności względnej (DHT22), opadów oraz natężenia światła (BH1750), bramkę IoT, chmurową bazę danych oraz automatyczny sterownik nawadniania. Aby uzyskać reprezentatywne dane polowe, czujniki wilgotności gleby umieszczono na głębokości 15–20 cm w strefie korzeniowej upraw, a czujniki środowiskowe 2 m nad ziemią. Przed wdrożeniem do testów wykorzystano wyłącznie czujniki z błędem pomiarowym w granicach ±2%, skalibrowane zgodnie z wymaganiami producenta. Do przesyłania danych środowiskowych ze sterownika ESP32 na platformę chmurową co 10 min wykorzystano Wi-Fi (802.11 b/g/n) lub LoRaWAN (915 MHz). W ramach eksperymentu struktura rejestrowała wilgotność gleby (%), temperaturę powietrza (°C), wilgotność względną (%), opady (mm) oraz natężenie światła (lux). Przed standaryzacją danych za pomocą normalizacji Min–Max, odczyty z czujników przesyłano do chmurowej bazy danych co 10 min, a następnie usuwano wartości duplikowane i brakujące. Mechanizm decyzyjny IoT-PA wykorzystywał dane z czujników do podejmowania decyzji o nawadnianiu. Gdy wilgotność gleby spadła poniżej 35% objętościowej zawartości wody, automatycznie rozpoczynano nawadnianie, które zatrzymywano przy osiągnięciu 45%, aby zapobiec stresowi wodnemu i nadmiernemu podlewaniu. W przypadku, gdy prognoza pogody przewidywała opady powyżej 5 mm w ciągu 12 h, nawadnianie było wstrzymywane w celu oszczędzania wody. System pracował w sposób ciągły przez 90 dni rozwoju upraw w podobnych warunkach polowych. Każdy cykl nawadniania rejestrował w chmurowej bazie danych czas trwania nawadniania, całkowite zużycie wody, opóźnienia w komunikacji, stan czujników oraz zużycie energii przez system co 30 min. Rolnicy otrzymywali w czasie rzeczywistym instrukcje dotyczące podlewania oraz aktualizacje stanu pola za pośrednictwem aplikacji mobilnej po każdym cyklu decyzyjnym. W celu weryfikacji powtarzalności eksperyment powtórzono trzykrotnie, korzystając z tego samego systemu i tych samych warunków operacyjnych.
Eksperyment przeprowadzono na polu z posadzonymi pomidorami. Działka eksperymentalna o wymiarach 20 m x 20 m (400 m2) posiadała glebę gliniastą o pH 6,7–7,0. System monitorowania IoT oparty na module ESP32 posiadał pojemnościowe czujniki wilgotności gleby umieszczone na głębokości 15–20 cm oraz czujniki temperatury i wilgotności DHT22, natężenia światła BH1750 oraz czujniki opadów zamocowane 2 m nad ziemią. Zainstalowano sieć nawadniania kropelkowego z emiterami rozmieszczonymi co 30 cm i rurami bocznymi w odstępach 1 m. Platforma chmurowa odbierała odczyty z czujników przesyłane za pomocą protokołu MQTT co 10 min. Po 90 dniach plon roślin określono jako całkowitą masę świeżą zebranych pomidorów (kg z działki).
Wyjaśnienie źródła danych: Zaproponowany model rolnictwa precyzyjnego sterowanego przez IoT (IoT-PA) został wdrożony i oceniony w ramach 90-dniowego eksperymentu polowego w warunkach opisanych w sekcji Protokół. Raport rynkowy Agriculture Digital Twin Market Report (DataIntelo) został wykorzystany wyłącznie jako materiał pomocniczy w celu uzyskania informacji tła oraz opracowania modelu. Wszystkie przedstawione w sekcji Wyniki wskaźniki wydajności uzyskano z ewaluacji eksperymentalnej zaproponowanego modelu IoT-PA, a nie z raportu rynkowego DataIntelo.
Wkład 1: Zaproponowanie ram precyzyjnego rolnictwa sterowanego przez IoT (IoT-PA)
Przedstawiono system automatyzacji nawadniania oparty na danych meteorologicznych i glebowych w czasie rzeczywistym. Postępy w dziedzinie cyfryzacji napędzają rozwój sektora rolno-spożywczego (Rysunek 1). W pierwszej kolejności są to rolnictwo precyzyjne oparte na IoT, AI i dronach, a następnie podejmowanie decyzji w oparciu o dane oraz efektywność zasobów. Rewolucja cyfrowa poprawia identyfikowalność żywności, łańcuch dostaw oraz dostęp do rynku. Technologie te wzmacniają pozycję rolników, zapewniają bezpieczeństwo żywnościowe i promują inkluzywny rozwój. Struktura rolnictwa precyzyjnego sterowanego przez IoT (IoT-PA) promuje zrównoważone wykorzystanie zasobów i inteligentne rolnictwo odporne na zmiany klimatu poprzez integrację monitorowania środowiska w czasie rzeczywistym, analityki w chmurze oraz zautomatyzowanego nawadniania. Wspiera to Cele Zrównoważonego Rozwoju (SDGs) 2 (Zero głodu), 12 (Odpowiedzialna konsumpcja i produkcja) oraz 13 (Działania w dziedzinie klimatu).
Równanie (1), w którym S(t) reprezentuje dane środowiskowe zebrane w czasie t, M(t) oznacza wilgotność gleby (%), T(t) to temperatura powietrza (°C), H(t) to wilgotność względna (%RH), R(t) to opady deszczu (mm), a L(t) to natężenie światła (lux). Równanie (1) definiuje zestaw parametrów środowiskowych w czasie rzeczywistym, które są stale pozyskiwane przez sieć czujników IoT i przesyłane do platformy chmurowej w celu monitorowania i podejmowania decyzji.
Jak pokazano w równaniu (2), gdzie I(t) reprezentuje sygnał sterowania nawadnianiem, M(t) to zmierzona wilgotność gleby, a Mth oznacza zdefiniowany próg nawadniania (35% objętościowej zawartości wody). Gdy zmierzona wilgotność gleby spadnie poniżej progu, sterownik IoT-PA automatycznie uruchamia pompę nawadniającą 
; w przeciwnym razie nawadnianie pozostaje nieaktywne 
. Nawadnianie zostaje automatycznie przerwane, gdy wilgotność gleby osiągnie poziom docelowy 45%, co poprawia efektywność wykorzystania wody i zapobiega nadmiernemu nawadnianiu.
Rolnictwo staje się zorientowane na dane i zrównoważone dzięki technologiom cyfrowym, co przedstawiono na Rysunku 2. Kamery i roboty zwiększają jakość plonów oraz efektywność nakładów, podczas gdy czujniki wykrywają lokalizację i temperaturę. System zarządzania danymi otrzymuje informacje o temperaturze i wilgotności z centralnego mikrokontrolera. Serwer gromadzi dane z monitorowania rolnictwa i wspomagania podejmowania decyzji w czasie rzeczywistym. Rolnicy korzystają z telefonów z obsługą języków regionalnych. Dzięki monitorowaniu warunków środowiskowych, optymalizacji decyzji dotyczących nawadniania, minimalizacji marnotrawstwa wody oraz wspieraniu zrównoważonych praktyk rolniczych zgodnie z celami SDG 2 (Zero głodu), SDG 12 (Odpowiedzialna konsumpcja i produkcja) oraz SDG 13 (Działania w dziedzinie klimatu), sterowanie w pętli zamkniętej zwiększa produktywność rolnictwa.
Zgodnie z równaniem (3), gdzie L(t) reprezentuje zagregowane dane z monitoringu środowiskowego w czasie t, Si(t) oznacza pomiar uzyskany z i-tego czujnika IoT, a N jest całkowitą liczbą rozmieszczonych czujników. Równanie (3) oblicza średni stan środowiska z wielu czujników, aby wspomóc podejmowanie decyzji dotyczących nawadniania przy jednoczesnym minimalizowaniu fluktuacji odczytów z czujników.
![Równanie rozpadu beta β(t)=[L(t)-Mth]/Mth, wzór matematyczny w analizie teoretycznej.](/files/ftp_upload/73067/73067eq18v2.jpg "figure-protocol-6")
Zgodnie z równaniem (4), gdzie β(t) oznacza znormalizowany indeks decyzji o nawadnianiu, L(t) reprezentuje zagregowany pomiar wilgotności gleby uzyskany z równania (3), a Mth jest zdefiniowanym progiem wilgotności gleby (35% objętościowej zawartości wody). Ujemna wartość β(t) wskazuje na niewystarczającą wilgotność gleby i uruchamia nawadnianie, natomiast wartość nieujemna wskazuje, że wilgotność gleby jest równa lub wyższa od progu, a nawadnianie pozostaje nieaktywne.
Wkład 2: Wykazanie praktycznych korzyści poprzez wyniki empiryczne.
Wykazało to wykonalność opracowanego schematu i zwiększyło produkcję rolną, przy jednoczesnym znacznym ograniczeniu zużycia wody.
Rysunek 3 ilustruje, w jaki sposób rolnictwo precyzyjne oparte na IoT przeciwdziała marnotrawstwu zasobów oraz niskiej produktywności rolniczej. Po pierwsze, rozwiązuje ono problemy związane z marnotrawstwem zasobów i niską wydajnością rolnictwa. IoT, AI oraz analityka danych w czasie rzeczywistym zapewniają inteligentne podejmowanie decyzji, automatyczne nawadnianie i monitorowanie oparte na czujnikach. Usprawnienia te poprawiają kondycję upraw oraz efektywność wykorzystania wody. Proponowana struktura rolnictwa precyzyjnego sterowanego przez IoT (IoT-PA) wspiera Cel Zrównoważonego Rozwoju (SDG) 2 (Zero Głodu) oraz SDG 12 (Odpowiedzialna Konsumpcja i Produkcja) poprzez integrację monitorowania środowiska w czasie rzeczywistym, zautomatyzowanej kontroli nawadniania i wydajnego zarządzania zasobami, aby zwiększyć produktywność rolną przy jednoczesnym zminimalizowaniu zużycia wody.
gdzie 
oznacza złożony indeks monitorowania środowiska w czasie t, M(t) to wilgotność gleby (%), T(t) to temperatura powietrza (°C), H(t) to wilgotność względna (%RH), R(t) to opady deszczu (mm), a L(t) to natężenie światła (lux). Równanie (5) łączy znormalizowane parametry środowiskowe w jeden indeks monitorowania, który reprezentuje ogólny stan pola wykorzystywany przez strukturę IoT-PA.
gdzie G(t) reprezentuje zagregowany stan środowiska uzyskany z przedziałów monitorowania lub węzłów czujnikowych, a 
to złożony indeks monitorowania środowiska obliczony za pomocą równania (5) dla k-tej obserwacji. Równanie (6) uśrednia kilka pomiarów w celu przewidzenia stanu pola, eliminując wahania pomiarowe i zapewniając wiarygodne dane wejściowe dla automatycznego harmonogramu nawadniania.
Rysunek 4 przedstawia wpływ każdej rewolucji przemysłowej na przemysł globalny, od pary po cyfryzację. Wreszcie, AI, blockchain i rolnictwo precyzyjne zmieniają sektor rolno-spożywczy w ramach Przemysłu 4.0. Wyniki te zwiększają wydajność rolnictwa, efektywność wykorzystania zasobów oraz zrównoważony rozwój. Zaproponowany model rolnictwa precyzyjnego sterowanego przez IoT (IoT-PA) pokazuje, w jaki sposób cyfrowe czujniki, analityka w chmurze i zautomatyzowane nawadnianie poprawiają produktywność rolną oraz wykorzystanie zasobów, wspierając SDG 2 (Zero głodu) oraz SDG 12 (Odpowiedzialna konsumpcja i produkcja).
gdzie V(t) oznacza ogólny stan pola w czasie t, Gi(t) reprezentuje indeks monitorowania środowiska otrzymany z i-tego węzła czujnika, a N to całkowita liczba rozmieszczonych węzłów czujników IoT. Równanie (7) szacuje średni stan pola poprzez agregację pomiarów ze wszystkich lokalizacji pomiarowych, co poprawia niezawodność decyzji dotyczących nawadniania.
gdzie αeq oznacza równoważny indeks decyzji stosowany do planowania nawadniania, V(t) to zagregowany stan środowiska uzyskany z równania (7), M(t) to zmierzona wilgotność gleby, a 
to współczynnik wagowy, który równoważy wpływ ogólnego stanu pola i aktualnego pomiaru wilgotności gleby. Równanie (8) oblicza końcowy indeks decyzji wykorzystywany przez system IoT-PA w celu wspierania zautomatyzowanego nawadniania i efektywnego zarządzania zasobami wodnymi.
Wkład 3: Rozwój agendy rolnictwa zrównoważonego
Zgodnie z Celami Zrównoważonego Rozwoju (SDGs) 2 i 12, umożliwiło to transformację cyfrową w celu poprawy bezpieczeństwa żywnościowego w rolnictwie oraz efektywności wykorzystania zasobów.
Rysunek 5 przedstawia odporność po-pandemiczną i zrównoważony rozwój poprzez transformację cyfrowego systemu rolno-spożywczego. W rolnictwie opartym na IoT czujniki zastępują tradycyjne instrumenty w celu maksymalizacji zasobów. Blockchain i automatyzacja umożliwiają bezpieczną, otwartą dostawę żywności; AI zapewnia wydajną i sanitarną produkcję oraz przetwarzanie. Alerty dotyczące bezpieczeństwa żywności i monitorowanie w czasie rzeczywistym pomagają konsumentom. Cykle te poprawiają globalne bezpieczeństwo żywnościowe, zdrowie i wydajność. Spójne podejście do cyfrowego rolnictwa wykorzystuje czujniki czasu rzeczywistego, przetwarzanie w chmurze i zautomatyzowane nawadnianie w celu zwiększenia produktywności upraw, wykorzystania wody i zrównoważonych praktyk rolniczych, aby wesprzeć Cele Zrównoważonego Rozwoju (SDGs) 2 (Zero Głodu), 3 (Dobre Zdrowie i Koncentracja na Dobrostanie) oraz 12 (Odpowiedzialna Konsumpcja i Produkcja).
gdzie R(t) oznacza wskaźnik zapotrzebowania na nawadnianie w czasie t, Mi(t) jest wilgotnością gleby pomiaraną przez ith węzeł czujnikowy, Mth jest predefiniowanym progiem wilgotności gleby, a N jest całkowitą liczbą węzłów pomiarowych. Równanie (9) oblicza zapotrzebowanie na nawadnianie monitorowanego obszaru poprzez oszacowanie średniej zmienności wilgotności gleby względem wyznaczonego progu.
gdzie 
reprezentuje wskaźnik inteligentnego sterowania nawadnianiem, R(t) to wskaźnik zapotrzebowania na nawadnianie uzyskany z równania (9), V(t) to zagregowany wskaźnik monitorowania środowiska uzyskany z równania (7), a 
to współczynnik wagowy. Końcowa wartość sterująca dla zautomatyzowanego harmonogramu nawadniania w proponowanym systemie IoT-PA jest obliczana na podstawie zapotrzebowania na nawadnianie i warunków środowiskowych przy użyciu równania (10).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Wskaźniki wydajności architektury IoT-PA obejmują zużycie wody, plony rolnicze, wydajność systemu, zrównoważoną optymalizację zasobów oraz wkład w realizację Celów Zrównoważonego Rozwoju (SDG). Inteligentne wybory technologiczne poprawiają produkcję rolną, zrównoważenie oraz zarządzanie zasobami.
Opis zbioru danych: Raport z rynku cyfrowych bliźniaków w rolnictwie (Agriculture Digital Twin Market Report) opracowany przez DataIntelo26 posłużył jako infor...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
Dzięki IoT-PA cyfrowe rolnictwo może rozwiązać obecne problemy. W kontekście gospodarki zasobami i produkcji rolnej niniejsza praca proponuje monitorowanie w czasie rzeczywistym, nawadnianie oparte na czujnikach oraz podejmowanie decyzji w oparciu o dane. Wykorzystanie Internetu Rzeczy doprowadziło do spadku zużycia wody o 24,62% i wzrostu produkcji rolnej o 95,13%, co wykazuje rewolucyjny potencjał w zakresie zrównoważonego rozwoju. Cel SDG 2 (Zero Głodu) oraz SDG 12 (Odpowiedzialna Konsumpcja i Produkcja) zostały zreal...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Autorzy nie deklarują żadnego konfliktu interesów.
Podziękowania
Badanie to nie otrzymało żadnego konkretnego grantu od żadnej instytucji finansującej w sektorze publicznym, komercyjnym ani non-profit.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Arduino IDE | Arduino | Version 2.x https://www.arduino.cc/en/software | Zintegrowane środowisko programistyczne, opracowywanie oprogramowania układowego ESP32 |
| Pojemnościowy czujnik wilgotności gleby | DFRobot | SEN0193 | Pomiar objętościowej wilgotności gleby; Napięcie zasilania 3.3–5.5 V |
| Chmurowa platforma IoT | Amazon Web Services | AWS IoT Core https://aws.amazon.com/iot-core | Chmurowa platforma IoT do przechowywania danych, wizualizacji i zdalnego monitorowania |
| Zasilacz DC | Mean Well | / | Zasilanie kontrolera i pompy; regulowane wyjście 12 V DC, model: LRS-50-12 |
| Pompa wodna DC | Dostępna w handlu | / | Zautomatyzowane nawadnianie; Pompa 12 V DC |
| Cyfrowy czujnik natężenia światła | Rohm Semiconductor | BH1750FVI | Pomiar natężenia światła otoczenia; 1–65535 lux |
| Płyta programistyczna ESP32 | Espressif Systems | ESP32-DEVKITC-32D | Dwurdzeniowy MCU 240 MHz, Wi-Fi/Bluetooth; główny kontroler do akwizycji danych z czujników i sterowania nawadnianiem |
| Microsoft Excel | Microsoft Corporation | Microsoft 365 https://www.microsoft.com/microsoft-365/excel | Oprogramowanie arkuszowe do organizacji i wizualizacji danych |
| Broker MQTT | Eclipse Foundation | Mosquitto v2.x https://mosquitto.org | Komunikacja komunikatami IoT; protokół MQTT |
| Python | Python Software Foundation | Version 3.x https://www.python.org | Język programowania do wstępnego przetwarzania danych i analizy statystycznej |
| Moduł czujnika opadów | DFRobot | / | Wyjście analogowe/cyfrowe; wykrywanie opadów; model: SEN0308 |
| Jednokanałowy moduł przekaźnika | Songle | SRD-05VDC-SL-C | Przełączanie pompy nawadniającej ON/OFF; przekaźnik 5 V |
| Czujnik temperatury i wilgotności | Adafruit Industries | DHT22 (AM2302) | Monitorowanie środowiska; Temperatura ±0.5 °C; Wilgotność ±2% RH |
| Przeglądarka internetowa | Google LLC | Google Chrome (najnowsza stabilna wersja) https://www.google.com/chrome | Dostęp do panelu sterowania AWS IoT |
| Router Wi-Fi | TP-Link Technologies | / | Bezprzewodowa komunikacja między ESP32 a chmurą; IEEE 802.11 b/g/n/ac; model: Archer C6 |
Bibliografia
- Nhamo G, Chikodzi D, Dube K. Sustainable Development Goals for Society. Vol. 1. Springer International Publishing; 2021.
- Venkatesh R. Effect of hybrid nanofluid and polyethylene glycol/aluminium foam on thermal characteristics and energy storage performance of solar air heater. Appl Therm Eng. 2026;291:130213.
- Ajaj R, Buheji M, Hassoun A. Optimizing the readiness for industry 4.0 in fulfilling the Sustainable Development Goal 1: Focus on poverty elimination in Africa. Front Sustain Food Syst. 2024;8:1393935.
- Hiywotu AM. Advancing sustainable agriculture for goal 2: zero hunger-a comprehensive overview of practices, policies, and technologies. Agroecol Sustain Food Syst. 2025;49(7):1027–55.
- Venkatesh R. Effect of Boron Nitride on Mechanical Characteristics of LDPE Nanocomposite made with Ramie Fiber. J Inst Eng India Ser D. 2024.
- Arun M, et al. Integrated renewable energy supply architecture for advancing hydrogen symbiosis and eco synergistic smart grid interactions with next generation combustion technologies. Sci Rep. 2025;15(1):25619.
- Venkatesh R. Synthesis and Behavior Study of Basalt Fiber-Made Low-Density Polyethylene Composites Via Injection Mold. J Inst Eng India Ser D. 2024.
- Jayakrishnan R, Johnpaul V, Balasundaram N, Senthilkumar S. Stabilization of black cotton soil in Chittur region in Palakkad using lime, rice husk ash, coir fibre. Indian J Eng. 2026;23:e3ije1709.
- Gopan G, Arun M, Vembu S. Comparison of dimple tube with flat plate collector for solar water heater by using carbon nanofluid. Int J Low-Carbon Technol. 2025;20:820–33.
- Arun M, Barik D, Sridhar KP, Vignesh G. Experimental and CFD analysis of plain and dimples tube at application of solar water heater. Mater Today Proc. 2021;42:804–9.
- Rinesh S, et al. Prediction and classification of solar photovoltaic power generation using extreme gradient boosting regression model. Int J Low-Carbon Technol. 2024;19:2420–30.
- Ogbonnaya EP, et al. Efficacy of moringa oleifera leaf extract as a phytogenic additive in finisher broiler chickens. Discov Agric. 2026;12:e14da3219.
- Giganti P, Borrello M, Falcone PM, Cembalo L. The impact of blockchain technology on enhancing sustainability in the agri-food sector: A scoping review. J Clean Prod. 2024;456:142379.
- Rinesh S, Arun M, Kumar SN, Prajitha C, Kumar AS. Evaluating the type 2 fuzzy logic controller with multilayer perceptrons for optimal tracking of solar photovoltaic systems. Int J Low-Carbon Technol. 2025;20:394–403.
- Gupta S, et al. Operationalizing Digitainability: Encouraging mindfulness to harness the power of digitalization for sustainable development. Sustainability. 2023;15(8):6844.
- Urugo MM, et al. Journal of agriculture and food research. J Agric Food Res. 2024;18:101316.
- Hong Z, Xiao K. Digital economy structuring for sustainable development: the role of blockchain and artificial intelligence in improving supply chain and reducing negative environmental impacts. Sci Rep. 2024;14(1):3912.
- Arun M, Barik D, Sridhar KP, Dennison MS. Thermal performance of a dimpled tube parabolic trough solar collector (PTSC) with SiO2 nanofluid. Int J Photoenergy. 2022;2022(1):8595591.
- Vărzaru AA. Unveiling digital transformation: a catalyst for enhancing food security and achieving sustainable development goals at the European Union level. Foods. 2024;13(8):1226.
- Zhang J, Zhang W. Harnessing digital technologies for rural industrial integration: a pathway to sustainable growth. Systems. 2024;12(12):564.
- Vahdanjoo M, Sørensen CG, Nørremark M. Digital transformation of the agri-food system. Curr Opin Food Sci. 2025;63:101287.
- Khan N, et al. Potential role of technology innovation in transformation of sustainable food systems: A review. Agriculture. 2021;11(10):984.
- Singh V, Borisagar D, Singh OP, Verma SK. Enhancing agricultural competitiveness: harnessing value chains and agro-processing for sustainable growth. In: Sustaining the Global Agriculture Supply Chain. IGI Global Scientific Publishing; 2025. p. 37–72.
- Bocean CG. A longitudinal analysis of the impact of digital technologies on sustainable food production and consumption in the European Union. Foods. 2024;13(8):1281.
- Dayıoğlu ME, Türker UF. Digital transformation for sustainable future-agriculture 4.0: A review. J Agric Sci (Tarim Bilimleri Derg). 2021;27(4).
- DataIntelo. Agriculture Digital Twin Market Report: Global Industry Analysis, Growth, Trends, and Forecast. DataIntelo Research; 2025. Available from: DataIntelo Agriculture Digital Twin Market Report.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.